面试系列 - Redis
简介
Remote DIctionary Server(Redis) 是一个基于内存的key-value存储系统。
它通常被称为数据结构服务器，因为值（value）可以是 字符串(String), 哈希(Hash), 列表(list), 集合(sets) 和 有序集合(sorted sets)等类型。
几种类型
字符串（String)
哈希（Hash)
列表（List). 消息队列（Lpop 头出 Rpop 尾出 LRange等操作）
集合（Set)
有序集合（Sorted Set)
底层数据结构
String
字符串对象的底层实现可以是int、raw、embstr（上面的表对应有名称介绍）。embstr编码是通过调用一次内存分配函数来分配一块连续的空间，而raw需要调用两次。
get：sdsrange—O(n)
set：sdscpy—O(n)
create：sdsnew—O(1)
len：sdslen—O(1)int编码字符串对象和embstr编码字符串对象在一定条件下会转化为raw编码字符串对象。embstr：<=39字节的字符串。int：8个字节的长整型。raw：大于39个字节的字符串。
List
List对象的底层实现是quicklist（快速列表，是ziplist 压缩列表 和linkedlist 双端链表 的组合）。Redis中的列表支持两端插入和弹出，并可以获得指定位置（或范围）的元素，可以充当数组、队列、栈等。
Redis的linkedlist双端链表有以下特性：节点带有prev、next指针、head指针和tail指针，获取前置节点、后置节点、表头节点和表尾节点的复杂度都是O（1）。len属性获取节点数量也为O（1）。
rpush: listAddNodeHead —O(1)
lpush: listAddNodeTail —O(1)
push:listInsertNode —O(1)
index : listIndex —O(N)
pop:ListFirst/listLast —O(1)
llen:listLength —O(N)LinkedList
与双端链表相比，压缩列表可以节省内存空间，但是进行修改或增删操作时，复杂度较高；因此当节点数量较少时，可以使用压缩列表；但是节点数量多时，还是使用双端链表划算。
ziplist（压缩列表）
当一个列表键只包含少量列表项，且是小整数值或长度比较短的字符串时，那么redis就使用ziplist（压缩列表）来做列表键的底层实现。
ziplist是Redis为了节约内存而开发的，是由一系列特殊编码的连续内存块(而不是像双端链表一样每个节点是指针)组成的顺序型数据结构；具体结构相对比较复杂，有兴趣读者可以看 Redis 哈希结构内存模型剖析。在新版本中list链表使用 quicklist 代替了 ziplist和 linkedlist：
quickList 是 zipList 和 linkedList 的混合体。它将 linkedList 按段切分，每一段使用 zipList 来紧凑存储，多个 zipList 之间使用双向指针串接起来。因为链表的附加空间相对太高，prev 和 next 指针就要占去 16 个字节 (64bit 系统的指针是 8 个字节)，另外每个节点的内存都是单独分配，会加剧内存的碎片化，影响内存管理效率。
quicklist 默认的压缩深度是 0，也就是不压缩。为了支持快速的 push/pop 操作，quicklist 的首尾两个 ziplist 不压缩，此时深度就是 1。为了进一步节约空间，Redis 还会对 ziplist 进行压缩存储，使用 LZF 算法压缩。
Hash
Hash对象的底层实现可以是ziplist（压缩列表）或者hashtable（字典或者也叫哈希表）。
hashtable哈希表可以实现O(1)复杂度的读写操作，因此效率很高。
Hash对象只有同时满足下面两个条件时，才会使用ziplist（压缩列表）：1.哈希中元素数量小于512个；2.哈希中所有键值对的键和值字符串长度都小于64字节。
这个结构类似于JDK7以前的HashMap，当有两个或以上的键被分配到哈希数组的同一个索引上时，会产生哈希冲突。Redis也使用链地址法来解决键冲突。即每个哈希表节点都有一个next指针，多个哈希表节点用next指针构成一个单项链表，链地址法就是将相同hash值的对象组织成一个链表放在hash值对应的槽位。
Redis中的字典使用hashtable作为底层实现的话，每个字典会带有两个哈希表，一个平时使用，另一个仅在rehash（重新散列）时使用。随着对哈希表的操作，键会逐渐增多或减少。为了让哈希表的负载因子维持在一个合理范围内，Redis会对哈希表的大小进行扩展或收缩（rehash），也就是将ht【0】里面所有的键值对分多次、渐进式的rehash到ht【1】里。
Set
Set集合对象的底层实现可以是intset（整数集合）或者hashtable（字典或者也叫哈希表）。
sadd:intsetAdd—O(1)
smembers:intsetGetO(1)—O(N)
srem:intsetRemove—O(N)
slen:intsetlen —O(1)intset（整数集合）当一个集合只含有整数，并且元素不多时会使用intset（整数集合）作为Set集合对象的底层实现。
intset底层实现为有序，无重复数组保存集合元素。 intset这个结构里的整数数组的类型可以是16位的，32位的，64位的。如果数组里所有的整数都是16位长度的，如果新加入一个32位的整数，那么整个16的数组将升级成一个32位的数组。升级可以提升intset的灵活性，又可以节约内存，但不可逆。
zset
ZSet有序集合对象底层实现可以是ziplist（压缩列表）或者skiplist（跳跃表）。
zadd—zslinsert—平均O(logN), 最坏O(N)
zrem—zsldelete—平均O(logN), 最坏O(N)
zrank–zslGetRank—平均O(logN), 最坏O(N)
当一个有序集合的元素数量比较多或者成员是比较长的字符串时，Redis就使用skiplist（跳跃表）作为ZSet对象的底层实现。
skiplist的查找时间复杂度是LogN，可以和平衡二叉树相当，但实现起来又比它简单。跳跃表(skiplist)是一种有序数据结构，它通过在某个节点中维持多个指向其他节点的指针，从而达到快速访问节点的目的。
每种类型的适用场景
redis分布式锁（死锁 & 非死锁）
redis的分布式锁就是分布式服务获取相同（key)的value，如果获取到的不为null，就表示有别的服务器在用到这个锁。
下面是redis分布式锁的伪代码：
线程不安全的分布式锁
public class getRedisLok(String key){
try{
String value = redis.get(key);
if(value == null){
redis.set(key,curretnTimeM + expireTime);
redis.expire(50000);
//业务逻辑
}else{
if(value < curretnTimeM){
redis.set(key,curretnTimeM + expireTime);
redis.expire(50000);
//业务逻辑
}
}
}catch(Exception e){
//释放锁
redis.del(key);
}finally{
redis.del(key);
}
}
job：
public class freeRedisLock(){
//锁的时间超过了最终的超时时间
if(redis.get(key) < curretnTimeM + lastExpireTime){
redis.del(key);
}
}不安全的点：
1、获取不到锁。set和expire不是一个原子操作。万一一个线程执行到set命令之后挂起，没有设置过期时间，那另一个线程就永远获取不到锁（除非超时自动释放）
2、有可能会造成覆盖。第一个线程set之后挂起，第二个线程在超时过期之后重新set之后，第一个锁还可以继续获取到执行
3、超时自动释放可能会释放正在执行的锁（除非每次加锁做相应的计数处理（只能释放自己set的锁）
线程安全的分布式锁
用 set(String key, String value, String nxxx, String expx, long time) 命令
实现一次性set + expire操作。让加锁的过程变成原子性
redis持久化方案（aof & rdb)
rdb是全部的redis结构文件 适合恢复所有的redis信息
aof是短期内的日志文件 适合短期内的数据补全 但是日志比较大，恢复慢
一般aof可以在每次set的时候就写入日志，但是在高访问量的情况下这样会导致耗时久，所以可以设置1s就执行一起日志的写入，如果数据丢失的话最多也就丢失1s的数据
如果机器断电需要重新恢复redis数据(从磁盘恢复到内存中）
rdb + aof
布隆过滤器
Bloom Filter是一个适用于 海量数据需要重查 & 缓存穿透（恶意攻击）这些场景的一种工具。
它的优点是计算速度极快，可以快速的判断需要查找的值是否在缓存里存在。但是存在一定的误判率以及删除比较困难。
布隆过滤器的原理
当一个元素被加入集合时，通过K个散列函数将这个元素映射成一个位数组中的K个点，把它们置为1。检索时我们再通过同样的K个散列函数找到这K个点，然后看看这些点是不是都是1就（大约）知道集合中有没有它了。如果这些点有任何一个0，则被检元素一定不在。
这就是布隆过滤器的基本思想。
Bloom Filter跟单哈希函数Bit-Map不同之处在于：Bloom Filter使用了k个哈希函数，每个字符串跟k个bit对应。从而降低了冲突的概率。
Bloom Filter的缺点
bloom filter之所以能做到在时间和空间上的效率比较高，是因为牺牲了判断的准确率、删除的便利性
1、存在误判，可能要查到的元素并没有在容器中，但是hash之后得到的k个位置上值都是1。如果bloom filter中存储的是黑名单，那么可以通过建立一个白名单来存储可能会误判的元素。
2、困难。一个放入容器的元素映射到bit数组的k个位置上是1，删除的时候不能简单的直接置为0，可能会影响其他元素的判断。可以采用Counting Bloom Filter
Bloom Filter 实现
在使用bloom filter时，绕不过的两点是预估数据量n以及期望的误判率fpp，
在实现bloom filter时，绕不过的两点就是hash函数的选取以及bit数组的大小。
对于一个确定的场景，我们预估要存的数据量为n，期望的误判率为fpp，然后需要计算我们需要的Bit数组的大小m，以及hash函数的个数k，并选择hash函数
缓存击穿、雪崩、穿透
雪崩
大量的热点数据在一瞬间全部过期，导致数据库查询瞬间增大而崩掉
解决方案：
1、热点数据在存储的时候，使用固定值+随机数的过期方法存储，不要让大量数据在同一时间过期
2、设置热点数据不过期
穿透
请求的数据缓存不存在，大量请求数据库。一般都是恶意请求
1、添加网关层校验，恶意请求处理
2、增加入参校验
3、布隆过滤器。redis快速返回
缓存击穿
大量请求某一热点数据，在过期的瞬间数据库被打穿
1、热点数据不要过期
2、增加互斥锁
redis哨兵模式
1、监控master/slave是否正常运行
2、消息通知
r如果某台机器宕机，会通知到管理员
3、故障转移
如果master宕机了，会自动推举新的master
4、配置
如果master宕机了，通知新的master机器到各个client
redis主从同步
一台slave机器启动，会发送一个命令给master,如果是第一次启动，会开启全量复制模式。master会开启一个线程生成rdb文件，并发给slave机器。与此同时还会把新添加的记录下来，等待slave处理完rdb文件后再发给slave补全数据
内存淘汰机制
redis的过期策略
定期删除+ 惰性删除
定期删除：redis 默认是每隔 100ms 就随机抽取一些设置了过期时间的 key，检查其是否过期，如果过期就删除
定期删除可能会导致很多过期 key 到了时间并没有被删除掉，那咋整呢？所以就是惰性删除了。这就是说，在你获取某个 key 的时候，redis 会检查一下 ，这个 key 如果设置了过期时间那么是否过期了？如果过期了此时就会删除，不会给你返回任何东西。
惰性删除：获取 key 的时候，如果此时 key 已经过期，就删除，不会返回任何东西。
但是实际上这还是有问题的，如果定期删除漏掉了很多过期 key，然后你也没及时去查，也就没走惰性删除，此时会怎么样？如果大量过期 key 堆积在内存里，导致 redis 内存块耗尽了，咋整？
答案是：走内存淘汰机制。
redis的内存淘汰机制
1、FIFO 淘汰最早数据
2、LRU 剔除最近最少使用
3、LFU 剔除最近使用频率最低的数据
redis 内存淘汰机制有以下几个：
noeviction: 当内存不足以容纳新写入数据时，新写入操作会报错，这个一般没人用吧，实在是太恶心了。
allkeys-lru：当内存不足以容纳新写入数据时，在键空间中，移除最近最少使用的 key（这个是最常用的）。
allkeys-random：当内存不足以容纳新写入数据时，在键空间中，随机移除某个 key，这个一般没人用吧，为啥要随机，肯定是把最近最少使用的 key 给干掉啊。
volatile-lru：当内存不足以容纳新写入数据时，在设置了过期时间的键空间中，移除最近最少使用的 key（这个一般不太合适）。
volatile-random：当内存不足以容纳新写入数据时，在设置了过期时间的键空间中，随机移除某个 key。
volatile-ttl：当内存不足以容纳新写入数据时，在设置了过期时间的键空间中，有更早过期时间的 key 优先移除。
项目中使用（address项目）
具体画图描述 + 使用到到一些redis结构类型
